CN114613493A - 问诊对话模型的评估方法和装置、电子设备及存储介质 - Google Patents

问诊对话模型的评估方法和装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114613493A
CN114613493A CN202210252476.9A CN202210252476A CN114613493A CN 114613493 A CN114613493 A CN 114613493A CN 202210252476 A CN202210252476 A CN 202210252476A CN 114613493 A CN114613493 A CN 114613493A
Authority
CN
China
Prior art keywords
information
value
target
symptom
original
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210252476.9A
Other languages
English (en)
Inventor
刘佳瑞
王世朋
姚海申
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210252476.9A priority Critical patent/CN114613493A/zh
Publication of CN114613493A publication Critical patent/CN114613493A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients

Abstract

本申请实施例提供了一种问诊对话模型的评估方法和装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：将待测患者信息输入至问诊对话模型，得到对话数据集；获取待测患者信息对应的原始症状信息；对对话数据集进行信息提取处理，得到目标症状信息、目标处方信息和目标诊断信息；对目标症状信息和原始症状信息进行关联处理，得到关联值；关联值用于表征原始症状信息和目标症状信息之间的关联度；根据预设的原始诊断信息和目标诊断信息，计算得到诊断值；根据预设的原始处方信息和目标处方信息，计算得到处方值；根据关联值、诊断值和处方值，得到目标评估值。本申请实施例的技术方案，提高了问诊对话模型评估的准确性。

Description

问诊对话模型的评估方法和装置、电子设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种问诊对话模型的评估方法和装置、电子设备及存储介质。
背景技术
问诊对话模型需要对其进行评价，以了解问诊对话模型的输出的准确性。
相关技术中，通过BLEU(Bilingual Evaluation Understudy，双语评估替换)实现对文本对话模型的评估，但是BLEU只从文本的通顺程度或者是丰富程度评价问诊对话模型，无法从医疗知识上评价，导致评估的准确性不高。因此，如何提高问诊对话模型评估的准确性，成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种问诊对话模型的评估方法和装置、电子设备及存储介质，旨在提高问诊对话模型评估的准确性。
为实现上述目的，本申请实施例的第一方面提出了一种问诊对话模型的评估方法，所述方法包括：
将待测患者信息输入至问诊对话模型，得到对话数据集；
获取所述待测患者信息对应的原始症状信息；
对所述对话数据集进行信息提取处理，得到目标症状信息、目标处方信息和目标诊断信息；
对所述目标症状信息和所述原始症状信息进行关联处理，得到关联值；所述关联值用于表征所述原始症状信息和所述目标症状信息之间的关联度；
根据预设的原始诊断信息和所述目标诊断信息，计算得到诊断值；所述诊断值用于表征所述目标诊断信息的准确率；
根据预设的原始处方信息和所述目标处方信息，计算得到处方值；所述处方值用于表征所述目标处方信息的准确率；
根据所述关联值、所述诊断值和所述处方值，得到目标评估值。
在一些实施例，所述对所述对话数据集进行信息提取处理，得到目标症状信息、目标处方信息和目标诊断信息，包括：
对所述对话数据集进行信息抽取处理，得到所述目标症状信息和药品信息；
根据预设的症状药品映射关系和所述药品信息，得到所述目标处方信息和所述目标诊断信息。
在一些实施例，所述对所述目标症状信息和所述原始症状信息进行关联处理，得到关联值，包括：
获取所述原始症状信息和所述目标症状信息的共同症状信息；
根据所述共同症状信息和所述原始症状信息，计算得到原始症状值；所述原始症状值用于表征所述共同症状信息在所述原始症状信息中的占比；
根据所述共同症状信息和所述目标症状信息，计算得到目标症状值；所述原始症状值用于表征所述共同症状信息在所述目标症状信息中的占比；
根据所述原始症状值和所述目标症状值，计算得到所述关联值。
在一些实施例，所述根据所述原始症状值和所述目标症状值，计算得到所述关联值，包括：
对所述原始症状值和所述目标症状值进行求和运算，得到症状求和值；
对所述原始症状值和所述目标症状值进行求积运算，得到症状求积值；
根据所述症状求和值和所述症状求积值，计算得到所述关联值。
在一些实施例，所述根据所述关联值、所述诊断值和所述处方值，得到目标评估值，包括：
获取预设的关联权重、预设的诊断权重和预设的处方权重；
根据所述关联权重对所述关联值进行加权处理，得到关联权重值；
根据所述诊断权重对所述诊断值进行加权处理，得到诊断权重值；
根据所述处方权重对所述处方值进行加权处理，得到处方权重值；
根据所述关联权重值，所述诊断权重值和所述处方权重值，求和计算得到所述目标评估值。
在一些实施例，在所述将待测患者信息输入至问诊对话模型，得到对话数据集之前，所述方法还包括：
构造所述问诊对话模型，具体包括：
获取原始训练数据；其中，所述原始训练数据包括：原始患者数据和原始对话数据；
根据所述原始患者数据对所述原始对话数据进行增强处理，得到对话增强数据；
根据所述对话增强数据和所述原始患者数据对预设的原始对话模型进行训练处理，得到所述问诊对话模型。
在一些实施例，所述根据所述对话增强数据和所述原始患者数据对预设的原始对话模型进行训练处理，得到所述问诊对话模型，包括：
获取所述原始对话模型的目标损失函数；
对所述对话增强数据进行特征提取，得到对话增强向量；
对所述原始患者数据进行特征提取，得到原始患者向量；
对所述对话增强向量进行编码处理，得到对话编码数据；
对所述原始患者向量进行编码处理，得到患者编码数据；
根据所述对话编码数据和所述患者编码数据进行解码处理，得到目标回复信息；
根据所述目标回复信息计算所述目标损失函数的损失值，得到目标损失值；
根据所述目标损失值更新所述原始对话模型的参数，得到所述问诊对话模型。
为实现上述目的，本申请实施例的第二方面提出了一种问诊对话模型的评估装置，所述装置包括：
输入模块，用于将待测患者信息输入至问诊对话模型，得到对话数据集；
获取模块，用于获取所述待测患者信息对应的原始症状信息；
提取模块，用于对所述对话数据集进行信息提取处理，得到目标症状信息、目标处方信息和目标诊断信息；
关联模块，用于对所述目标症状信息和所述原始症状信息进行关联处理，得到关联值；所述关联值用于表征所述原始症状信息和所述目标症状信息之间的关联度；
第一计算模块，用于根据预设的原始诊断信息和所述目标诊断信息，计算得到诊断值；所述诊断值用于表征所述目标诊断信息的准确率；
第二计算模块，用于根据预设的原始处方信息和所述目标处方信息，计算得到处方值；所述处方值用于表征所述目标处方信息的准确率；
第三计算模块，用于根据所述关联值、所述诊断值和所述处方值，得到目标评估值。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
本申请提出的问诊对话模型的评估方法和装置、电子设备及存储介质，其通过将待测患者信息输入至问诊对话模型，得到对话数据集，并获取待测患者信息对应的原始症状信息，然后，对对话数据集进行信息提取处理，得到问诊对话模型根据待测患者信息生成的目标症状信息、目标处方信息和目标诊断信息，再对目标症状信息和原始症状信息进行关联处理，得到关联值，其中，关联值用于表征原始症状信息和目标症状信息之间的关联度，这样设置，能够判断问诊对话模型在进行问诊对话时，待测患者信息的主要症状是否都询问到了。进而，再根据预设的原始诊断信息和目标诊断信息，计算得到诊断值，其中，诊断值用于表征目标诊断信息的准确率；然后再根据预设的原始处方信息和目标处方信息，计算得到处方值，其中，处方值用于表征目标处方信息的准确率。进而，根据关联值、诊断值和处方值，得到目标评估值。通过这样设置，从关联值、诊断值和处方值三个维度对问诊对话模型进行评估，从而提高了问诊对话模型评估的准确性。
附图说明
图1是本申请实施例提供的问诊对话模型的评估方法的流程图；
图2是本申请实施例提供的问诊对话模型的评估方法的另一流程图；
图3是本申请实施例提供的问诊对话模型的结构示意图；
图4是图2中步骤S1000的具体方法的流程图；
图5是图1中的步骤S300的具体方法的流程图；
图6是图1中的步骤S400的具体方法的流程图；
图7是图6中的步骤S440的具体方法的流程图；
图8是图1中的步骤S700的具体方法的流程图；
图9是本申请实施例提供的问诊对话模型的评估装置的结构示意图；
图10是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
嵌入(embedding)：embedding是一种向量表征，是指用一个低维的向量表示一个物体，该物体可以是一个词，或是一个商品，或是一个电影等等；这个embedding向量的性质是能使距离相近的向量对应的物体有相近的含义，比如embedding(复仇者联盟)和embedding(钢铁侠)之间的距离就会很接近，但embedding(复仇者联盟)和embedding(乱世佳人)的距离就会远一些。embedding实质是一种映射，从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系，如语义接近的两个词汇在向量空间中的位置也比较接近。embedding能够用低维向量对物体进行编码还能保留其含义，常应用于机器学习，在机器学习模型构建过程中，通过把物体编码为一个低维稠密向量再传给DNN，以提高效率。
医疗云(Medical cloud)：医疗云是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用于结合，医疗云提高医疗机构的效率，方便居民就医。像现在医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物，医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。
问诊对话模型需要对其进行评价，以了解问诊对话模型的输出的准确性。
相关技术中，通过BLEU(Bilingual Evaluation Understudy，双语评估替换)实现对文本对话模型的评估，但是BLEU只从文本的通顺程度或者是丰富程度评价问诊对话模型，无法从医疗知识上评价，导致评估的准确性不高。因此，如何提高问诊对话模型评估的准确性，成为了亟待解决的技术问题。
基于此，本申请实施例提供了一种问诊对话模型的评估方法和装置、电子设备及存储介质，旨在提高问诊对话模型评估的准确性。
本申请实施例提供的问诊对话模型的评估方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的问诊对话模型的评估方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的问诊对话模型的评估方法，涉及人工智能技术领域。本申请实施例提供的问诊对话模型的评估方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现问诊对话模型的评估方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
下面结合附图对本申请实施例的技术方案作进一步阐述。
图1是本申请实施例提供的问诊对话模型的评估方法的一个可选的流程图，图1中的方法可以包括步骤S100、步骤S200、步骤S300、步骤S400、步骤S500、步骤S600和步骤S700，应理解，本申请实施例的问诊对话模型的评估方法包括但不限于步骤S100至步骤S700，下面结合图1对这七个步骤进行详细介绍。
步骤S100，将待测患者信息输入至问诊对话模型，得到对话数据集；
步骤S200，获取待测患者信息对应的原始症状信息；
步骤S300，对对话数据集进行信息提取处理，得到目标症状信息、目标处方信息和目标诊断信息；
步骤S400，对目标症状信息和原始症状信息进行关联处理，得到关联值；关联值用于表征原始症状信息和目标症状信息之间的关联度；
步骤S500，根据预设的原始诊断信息和目标诊断信息，计算得到诊断值；诊断值用于表征目标诊断信息的准确率；
步骤S600，根据预设的原始处方信息和目标处方信息，计算得到处方值；处方值用于表征目标处方信息的准确率；
步骤S700，根据关联值、诊断值和处方值，得到目标评估值。
本申请实施例的问诊对话模型的评估方法，其通过将待测患者信息输入至问诊对话模型，得到对话数据集，并获取待测患者信息对应的原始症状信息，然后，对对话数据集进行信息提取处理，得到问诊对话模型根据待测患者信息生成的目标症状信息、目标处方信息和目标诊断信息，再对目标症状信息和原始症状信息进行关联处理，得到关联值，其中，关联值用于表征原始症状信息和目标症状信息之间的关联度，这样设置，能够判断问诊对话模型在进行问诊对话时，待测患者信息的主要症状是否都询问到了。进而，再根据预设的原始诊断信息和目标诊断信息，计算得到诊断值，其中，诊断值用于表征目标诊断信息的准确率；然后再根据预设的原始处方信息和目标处方信息，计算得到处方值，其中，处方值用于表征目标处方信息的准确率。进而，根据关联值、诊断值和处方值，得到目标评估值。通过这样设置，从关联值、诊断值和处方值三个维度对问诊对话模型进行评估，从而提高了问诊对话模型评估的准确性。
请参照图2和图3，图2为本申请一些实施例提供的问诊对话模型的评估方法的另一流程图，图3为本申请实施例提供的问诊对话模型的结构示意图。
在一些实施例的步骤S100之前，问诊对话模型的评估方法还包括以下步骤：
构造问诊对话模型，具体包括步骤S800、步骤S900、步骤S1000，下面结合图2和图3对这三个步骤进行详细介绍。
步骤S800，获取原始训练数据；其中，原始训练数据包括：原始患者数据和原始对话数据；
步骤S900，根据原始患者数据对原始对话数据进行增强处理，得到对话增强数据；
步骤S1000，根据对话增强数据和原始患者数据对预设的原始对话模型进行训练处理，得到问诊对话模型。
在一些实施例的步骤S800中，原始患者数据称为persona，原始对话数据称为dialogue。原始患者数据主要来源于医生整理的问诊病例，可以通过医疗云服务器获取；原始对话数据主要来自于大量的线上问诊对话，可以通过医疗云服务器获取。但是，需要注意的是，原始患者数据和原始对话数据应当具有一定的关联性。在训练问诊对话模型时，问诊对话模型会根据输入的persona信息，回答医生的问题。
在一些实施例的步骤S900中，相关技术中，训练对话模型时，采取的场景是Open-Domain Question Answering(开放式问答)，这种情况下，对话模型面对persona信息无关的问题是，表现的不稳定，会随机生成一些回答，这种开放式回答的场景在闲聊时影响不大，但是，本申请实施例的技术方案是问诊对话模型，处于问诊场景下，对于精确性的要求较强，如果产生了错误的回答，对后续的问诊、诊断以及开处方产生严重的影响，因此，在本申请中，需要对person信息进行数据增强处理。
具体为，在问诊对话模型训练的过程中，增加一些问答句对，以增强与原始患者数据相关的信息。例如，当原始患者数据中没用胸口痛相关信息时，在问诊部分增加以下问答句对：
“医生：请问您有胸口痛症状吗？”
“患者：不清楚。”
通过类似的数据增强处理方法，使得在训练问诊对话模型时，如果面对和原始患者数据无关的问题时，不会引入一些错误的信息，从而进一步提高问诊对话模型的准确性。
请参照图3和图4，在一些实施例中，步骤S1000包括但不限于步骤S1010至步骤S1080，下面结合图3和图4对本申请实施例中“根据对话增强数据和原始患者数据对原始对话模型进行训练处理，得到问诊对话模型”的具体过程进行详细描述。
步骤S1010，获取原始对话模型的目标损失函数；
步骤S1020，对对话增强数据进行特征提取，得到对话增强向量；
步骤S1030，对原始患者数据进行特征提取，得到原始患者向量；
步骤S1040，对对话增强向量进行编码处理，得到对话编码数据；
步骤S1050，对原始患者向量进行编码处理，得到患者编码数据；
步骤S1060，根据对话编码数据和患者编码数据进行解码处理，得到目标回复信息；
步骤S1070，根据目标回复信息计算目标损失函数的损失值，得到目标损失值；
步骤S1080，根据目标损失值更新原始对话模型的参数，得到问诊对话模型。
在一些实施例的步骤S1010中，目标损失函数可以选择softmax函数，也可以选择其他的损失函数。
在一些实施例的步骤S1020中，通过原始对话模型的embedding层对对话增强数据进行特征提取，得到对话增强向量。
在一些实施例的步骤S1030中，与前述步骤类似，通过原始对话模型的embedding层对原始患者数据进行特征提取，得到对应的原始患者向量。
在一些实施例的步骤S1040至步骤S1060中，将对话增强向量通过原始对话模型的encoder层(编码层)，得到原始对话数据的encoding，即得到对话编码数据；将原始患者向量通过原始对话模型的encoder层，得到persona的encoding，即得到患者编码数据。此时，原始对话模型已经拥有原始对话数据的信息和原始患者数据的目标性格信息，目标是生成一个回复信息。因此，将对话编码数据和患者编码数据通过原始对话模型的decoder层(解码层)，得到目标回复信息。该目标回复信息可以包含原始患者数据的目标性格信息，也可以完全不包含，因此，该目标回复信息可以用以下公式(1)表达，公式(1)具体为：
Omerge＝αOT+(1-α)Oc+Oc+Oprev (1)
在公式(1)中，OT表示原始患者数据的目标性格信息，Oc表示原始对话数据，Omerge表示目标回复信息。由公式(1)可以看出，α越大，原始患者数据的目标性格信息在目标回复信息中的占比也就越大。因此，训练原始对话模型在一定程度上就相当于对α的训练。
在一些实施例的步骤S1070至步骤S1080中，由于本方案的目标是训练得到问诊对话模型，为了保证问诊的准确性，需要对于原始患者数据的目标性格信息具有要求。因此，可以判断目标回复信息中包含原始患者数据相关的关键词来断定是否为一个原始患者数据的回答。具体可以对目标回复信息进行标注处理：如果目标回复信息包含原始患者数据相关的关键词，则将该目标回复信息标注为1，否则为0，然后，计算公式(1)的损失值，再根据原始对话模型的目标回复信息计算原始对话模型的损失值。最后，综合公式(1)的损失值和原始对话模型的损失值，对原始对话模型的参数进行更新处理，得到问诊对话模型。
需要说明的是，相关技术中，由于是在“Open-Domain Question Answering”的场景下进行的对话，采取的是top_k，top_p的解码策略。但是，这种方式牺牲了对话的准确性，提升了对话的丰富性，但是，不适用于问诊这种对对话准确性要求极高的场景。因此，在本申请中采取greedy_search的解码策略，从而确保了对话的准确性。
在一些实施例的步骤S100中，可以通过编写网络爬虫,设置好数据源之后进行有目标性的爬取数据，得到待测患者信息。也可以直接从医疗云服务器获取待测患者信息。获取待测患者信息后，将该待测患者信息输入至问诊对话模型中，以得到对话数据集。其中，该问诊对话模型，为前述步骤训练得到的。
需要说明的是，本申请实施例的技术方案是对问诊对话模型进行评估，因此，待测患者信息对应的原始症状信息是已知的。
请参照图5，在本申请的一些实施例中，步骤S300包括步骤S310和步骤S320，应理解，步骤S300包括但不限于步骤S310至步骤S320，下面结合图5对这两个步骤进行详细介绍。
步骤S310，对对话数据集进行信息抽取处理，得到目标症状信息和药品信息；
步骤S320，根据预设的症状药品映射关系和药品信息，得到目标处方信息和目标诊断信息。
具体地，在本实施例中，通过信息抽取的方式将对话数据集中，问诊对话模型根据待测患者信息生成的回复信息进行抽取，得到目标症状信息和药品信息。目标症状信息包括但不限于一种症状，然后再根据对话信息集中涉及到的药品信息和预设的症状药品映射关系，反推出对话数据集中问诊对话模型给出的目标处方信息和目标诊断信息。
需要说明的是，在本实施例中，也可以在问诊对话模型的输入部分的尾部输入指导性的文本，以使问诊对话模型更倾向于生成可以作为处方或者诊断的句子。
例如，将文本“根据您的情况，考虑是：”作为一个历史对话拼接到问诊对话模型输入的尾部，用于指导问诊对话模型更倾向于生成可以作为诊断的句子。
再例如，将文本“建议您可以服用：”作为一个历史对话拼接到问诊对话模型输入的尾部，用于指导问诊对话模型更倾向于生成可以作为处方的句子。
请参照图6，在本申请的一些实施例中，步骤S400包括步骤S410、步骤S420、步骤S430和步骤S440。应理解，步骤S400包括但不限于步骤S410至步骤S420，下面结合图6对这四个步骤进行详细解释。
步骤S410，获取原始症状信息和目标症状信息的共同症状信息；
步骤S420，根据共同症状信息和原始症状信息，计算得到原始症状值；原始症状值用于表征共同症状信息在原始症状信息中的占比；
步骤S430，根据共同症状信息和目标症状信息，计算得到目标症状值；原始症状值用于表征共同症状信息在目标症状信息中的占比；
步骤S440，根据原始症状值和目标症状值，计算得到关联值。
具体地，在本实施例中，以setai表示从问诊对话模型生成的回复中抽取得到的症状集合，即以setai表示目标症状信息，以setpersona表示待测患者信息对应的原始症状信息，则原始症状值、目标症状值可以通过以下公式计算得到：
Figure BDA0003547350890000111
Figure BDA0003547350890000112
在公式(2)和公式(3)中，P表示原始症状值，R表示目标症状值，然后再根据公式(2)计算得到的原始症状值和公式(3)计算得到目标症状值，得到关联值。
请参照图7，在本申请的一些实施例中，步骤S440具体包括步骤S441、步骤S442和步骤S443，应理解，步骤S440包括但不限于步骤S441至步骤S443，下面结合图7对这三个步骤进行详细解释。
步骤S441，对原始症状值和目标症状值进行求和运算，得到症状求和值；
步骤S442，对原始症状值和目标症状值进行求积运算，得到症状求积值。
步骤S443，根据症状求和值和症状求积值，计算得到关联值。
具体地，在本实施例中，首先对原始症状值和目标症状值进行求和处理，得到症状求和值，然后，对原始症状值和目标症状值进行求积运算，得到症状求积值，再根据症状求和值和症状求积值，计算得到关联值。具体可以通过公式(4)表示，公式(4)为：
Figure BDA0003547350890000113
在公式(4)中，SCORE_sym表示关联值，P表示原始症状值，R表示目标症状值。
在一些实施例的步骤S500中，原始诊断信息指的是待测患者信息对应的诊断信息，目标诊断信息指的是问诊对话模型根据待测患者信息输出的诊断信息。在本实施例中，可以通过以下公式计算得到诊断值：
SCORE_diag＝accuracy(原始诊断信息，目标诊断信息) (5)
在公式(5)中，SCORE_diag表示诊断值，accuracy()为求准确值函数。
在一些实施例的步骤S600中，与前述的步骤S500类似，原始处方信息指的是待测患者信息对应的处方信息，目标处方信息指的是问诊对话模型根据待测患者信息输出的处方信息，在本实施例中，可以通过一下公式计算得到处方值：
SCORE_prescibe＝accuracy(原始处方信息，目标处方信息) (6)
在公式(6)中，SCORE_prescibe表示处方值，accuracy()为求准确值函数。
请参照图8，在本申请的一些实施例中，步骤S700包括步骤S710、步骤S720、步骤S730、步骤S740和步骤S750，应理解步骤S700包括但不限于步骤S710至步骤S750，下面结合图8对这五个步骤进行详细介绍。
步骤S710，获取预设的关联权重、预设的诊断权重和预设的处方权重；
步骤S720，根据关联权重对关联值进行加权处理，得到关联权重值；
步骤S730，根据诊断权重对诊断值进行加权处理，得到诊断权重值；
步骤S740，根据处方权重对处方值进行加权处理，得到处方权重值；
步骤S750，根据关联权重值，诊断权重值和处方权重值，求和计算得到目标评估值。
具体地，在本实施例中，通过以下公式计算得到目标评估值：
Score＝a1*SCORE_sym+a2*SCORE_diag+a3*SCORE_prescibe (7)
在公式(7)中，Score表示目标评估值，a1表示关联权重，SCORE_sym表示关联值，a2表示诊断权重，SCORE_diag表示诊断值，a3表示处方权重，SCORE_prescibe表示处方值。
通过公式(7)计算得到目标评估值，从而实现对问诊对话模型的评估，提高了问诊对话模型评估的准确性。
请参照图9，本申请的一些实施例还提出了一种问诊对话模型的评估装置，该问诊对话模型的评估装置包括输入模块1100、获取模块1200、提取模块1300、关联模块1400、第一计算模块1500、第二计算模块1600和第三计算模块1700。
输入模块1100，用于将待测患者信息输入至问诊对话模型，得到对话数据集。
获取模块1200，用于获取待测患者信息对应的原始症状信息。
提取模块1300，用于对对话数据集进行信息提取处理，得到目标症状信息、目标处方信息和目标诊断信息。
关联模块1400，用于对目标症状信息和原始症状信息进行关联处理，得到关联值；关联值用于表征原始症状信息和目标症状信息之间的关联度。
第一计算模块1500，用于根据预设的原始诊断信息和目标诊断信息，计算得到诊断值；诊断值用于表征目标诊断信息的准确率。
第二计算模块1600，用于根据预设的原始处方信息和目标处方信息，计算得到处方值；处方值用于表征目标处方信息的准确率。
第三计算模块1700，用于根据关联值、诊断值和处方值，得到目标评估值。
本申请实施例的问诊对话模型的评估装置，其通过将待测患者信息输入至问诊对话模型，得到对话数据集，并获取待测患者信息对应的原始症状信息，然后，对对话数据集进行信息提取处理，得到问诊对话模型根据待测患者信息生成的目标症状信息、目标处方信息和目标诊断信息，再对目标症状信息和原始症状信息进行关联处理，得到关联值，其中，关联值用于表征原始症状信息和目标症状信息之间的关联度，这样设置，能够判断问诊对话模型在进行问诊对话时，待测患者信息的主要症状是否都询问到了。进而，再根据预设的原始诊断信息和目标诊断信息，计算得到诊断值，其中，诊断值用于表征目标诊断信息的准确率；然后再根据预设的原始处方信息和目标处方信息，计算得到处方值，其中，处方值用于表征目标处方信息的准确率。进而，根据关联值、诊断值和处方值，得到目标评估值。通过这样设置，从关联值、诊断值和处方值三个维度对问诊对话模型进行评估，从而提高了问诊对话模型评估的准确性。
需要说明的是，本申请实施例的问诊对话模型的评估装置与前述的问诊对话模型的评估方法相对应，具体的处理流程请参照前述的问诊对话模型的评估方法，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述问诊对话模型的评估方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
本申请实施例的电子设备，通过执行前述的问诊对话模型的评估方法，其通过将待测患者信息输入至问诊对话模型，得到对话数据集，并获取待测患者信息对应的原始症状信息，然后，对对话数据集进行信息提取处理，得到问诊对话模型根据待测患者信息生成的目标症状信息、目标处方信息和目标诊断信息，再对目标症状信息和原始症状信息进行关联处理，得到关联值，其中，关联值用于表征原始症状信息和目标症状信息之间的关联度，这样设置，能够判断问诊对话模型在进行问诊对话时，待测患者信息的主要症状是否都询问到了。进而，再根据预设的原始诊断信息和目标诊断信息，计算得到诊断值，其中，诊断值用于表征目标诊断信息的准确率；然后再根据预设的原始处方信息和目标处方信息，计算得到处方值，其中，处方值用于表征目标处方信息的准确率。进而，根据关联值、诊断值和处方值，得到目标评估值。通过这样设置，从关联值、诊断值和处方值三个维度对问诊对话模型进行评估，从而提高了问诊对话模型评估的准确性。
请参阅图10，图10示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器1800，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器1900，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器1900可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1900中，并由处理器1800来调用执行本申请实施例的问诊对话模型的评估方法；
输入/输出接口2000，用于实现信息输入及输出；
通信接口2100，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线2200，在设备的各个组件(例如处理器1800、存储器1900、输入/输出接口2000和通信接口2100)之间传输信息；
其中处理器1800、存储器1900、输入/输出接口2000和通信接口2100通过总线2200实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述问诊对话模型的评估方法。
本申请实施例的存储介质，通过执行前述的问诊对话模型的评估方法，其通过将待测患者信息输入至问诊对话模型，得到对话数据集，并获取待测患者信息对应的原始症状信息，然后，对对话数据集进行信息提取处理，得到问诊对话模型根据待测患者信息生成的目标症状信息、目标处方信息和目标诊断信息，再对目标症状信息和原始症状信息进行关联处理，得到关联值，其中，关联值用于表征原始症状信息和目标症状信息之间的关联度，这样设置，能够判断问诊对话模型在进行问诊对话时，待测患者信息的主要症状是否都询问到了。进而，再根据预设的原始诊断信息和目标诊断信息，计算得到诊断值，其中，诊断值用于表征目标诊断信息的准确率；然后再根据预设的原始处方信息和目标处方信息，计算得到处方值，其中，处方值用于表征目标处方信息的准确率。进而，根据关联值、诊断值和处方值，得到目标评估值。通过这样设置，从关联值、诊断值和处方值三个维度对问诊对话模型进行评估，从而提高了问诊对话模型评估的准确性。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1-8中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种问诊对话模型的评估方法，其特征在于，所述方法包括：
将待测患者信息输入至问诊对话模型，得到对话数据集；
获取所述待测患者信息对应的原始症状信息；
对所述对话数据集进行信息提取处理，得到目标症状信息、目标处方信息和目标诊断信息；
对所述目标症状信息和所述原始症状信息进行关联处理，得到关联值；所述关联值用于表征所述原始症状信息和所述目标症状信息之间的关联度；
根据预设的原始诊断信息和所述目标诊断信息，计算得到诊断值；所述诊断值用于表征所述目标诊断信息的准确率；
根据预设的原始处方信息和所述目标处方信息，计算得到处方值；所述处方值用于表征所述目标处方信息的准确率；
根据所述关联值、所述诊断值和所述处方值，得到目标评估值。
2.根据权利要求1所述的方法，其特征在于，所述对所述对话数据集进行信息提取处理，得到目标症状信息、目标处方信息和目标诊断信息，包括：
对所述对话数据集进行信息抽取处理，得到所述目标症状信息和药品信息；
根据预设的症状药品映射关系和所述药品信息，得到所述目标处方信息和所述目标诊断信息。
3.根据权利要求1所述的方法，其特征在于，所述对所述目标症状信息和所述原始症状信息进行关联处理，得到关联值，包括：
获取所述原始症状信息和所述目标症状信息的共同症状信息；
根据所述共同症状信息和所述原始症状信息，计算得到原始症状值；所述原始症状值用于表征所述共同症状信息在所述原始症状信息中的占比；
根据所述共同症状信息和所述目标症状信息，计算得到目标症状值；所述原始症状值用于表征所述共同症状信息在所述目标症状信息中的占比；
根据所述原始症状值和所述目标症状值，计算得到所述关联值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述原始症状值和所述目标症状值，计算得到所述关联值，包括：
对所述原始症状值和所述目标症状值进行求和运算，得到症状求和值；
对所述原始症状值和所述目标症状值进行求积运算，得到症状求积值；
根据所述症状求和值和所述症状求积值，计算得到所述关联值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述关联值、所述诊断值和所述处方值，得到目标评估值，包括：
获取预设的关联权重、预设的诊断权重和预设的处方权重；
根据所述关联权重对所述关联值进行加权处理，得到关联权重值；
根据所述诊断权重对所述诊断值进行加权处理，得到诊断权重值；
根据所述处方权重对所述处方值进行加权处理，得到处方权重值；
根据所述关联权重值，所述诊断权重值和所述处方权重值，求和计算得到所述目标评估值。
6.根据权利要求1至5任意一项所述的方法，其特征在于，在所述将待测患者信息输入至问诊对话模型，得到对话数据集之前，所述方法还包括：
构造所述问诊对话模型，具体包括：
获取原始训练数据；其中，所述原始训练数据包括：原始患者数据和原始对话数据；
根据所述原始患者数据对所述原始对话数据进行增强处理，得到对话增强数据；
根据所述对话增强数据和所述原始患者数据对预设的原始对话模型进行训练处理，得到所述问诊对话模型。
7.根据权利要求6所述的方法，其特征在于，所述根据所述对话增强数据和所述原始患者数据对预设的原始对话模型进行训练处理，得到所述问诊对话模型，包括：
获取所述原始对话模型的目标损失函数；
对所述对话增强数据进行特征提取，得到对话增强向量；
对所述原始患者数据进行特征提取，得到原始患者向量；
对所述对话增强向量进行编码处理，得到对话编码数据；
对所述原始患者向量进行编码处理，得到患者编码数据；
根据所述对话编码数据和所述患者编码数据进行解码处理，得到目标回复信息；
根据所述目标回复信息计算所述目标损失函数的损失值，得到目标损失值；
根据所述目标损失值更新所述原始对话模型的参数，得到所述问诊对话模型。
8.一种问诊对话模型的评估装置，其特征在于，所述装置包括：
输入模块，用于将待测患者信息输入至问诊对话模型，得到对话数据集；
获取模块，用于获取所述待测患者信息对应的原始症状信息；
提取模块，用于对所述对话数据集进行信息提取处理，得到目标症状信息、目标处方信息和目标诊断信息；
关联模块，用于对所述目标症状信息和所述原始症状信息进行关联处理，得到关联值；所述关联值用于表征所述原始症状信息和所述目标症状信息之间的关联度；
第一计算模块，用于根据预设的原始诊断信息和所述目标诊断信息，计算得到诊断值；所述诊断值用于表征所述目标诊断信息的准确率；
第二计算模块，用于根据预设的原始处方信息和所述目标处方信息，计算得到处方值；所述处方值用于表征所述目标处方信息的准确率；
第三计算模块，用于根据所述关联值、所述诊断值和所述处方值，得到目标评估值。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的问诊对话模型的评估方法的步骤。
10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的问诊对话模型的评估方法的步骤。
CN202210252476.9A 2022-03-15 2022-03-15 问诊对话模型的评估方法和装置、电子设备及存储介质 Pending CN114613493A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210252476.9A CN114613493A (zh) 2022-03-15 2022-03-15 问诊对话模型的评估方法和装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210252476.9A CN114613493A (zh) 2022-03-15 2022-03-15 问诊对话模型的评估方法和装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114613493A true CN114613493A (zh) 2022-06-10

Family

ID=81863449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210252476.9A Pending CN114613493A (zh) 2022-03-15 2022-03-15 问诊对话模型的评估方法和装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114613493A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117112744A (zh) * 2023-08-02 2023-11-24 北京聆心智能科技有限公司 大语言模型的评估方法、装置及电子设备
CN117271290A (zh) * 2023-11-20 2023-12-22 北京智谱华章科技有限公司 一种公平高效的多对话系统测评系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117112744A (zh) * 2023-08-02 2023-11-24 北京聆心智能科技有限公司 大语言模型的评估方法、装置及电子设备
CN117271290A (zh) * 2023-11-20 2023-12-22 北京智谱华章科技有限公司 一种公平高效的多对话系统测评系统及方法
CN117271290B (zh) * 2023-11-20 2024-02-20 北京智谱华章科技有限公司 一种公平高效的多对话系统测评系统及方法

Similar Documents

Publication Publication Date Title
CN112131366B (zh) 训练文本分类模型及文本分类的方法、装置及存储介质
CN113704428B (zh) 智能问诊方法、装置、电子设备及存储介质
CN114613493A (zh) 问诊对话模型的评估方法和装置、电子设备及存储介质
CN109614480B (zh) 一种基于生成式对抗网络的自动摘要的生成方法及装置
CN112100406B (zh) 数据处理方法、装置、设备以及介质
CN113707307A (zh) 病情分析方法、装置、电子设备及存储介质
CN114579723A (zh) 问诊方法和装置、电子设备及存储介质
CN114897060B (zh) 样本分类模型的训练方法和装置、样本分类方法和装置
CN116561538A (zh) 问答评分方法、问答评分装置、电子设备及存储介质
CN115394393A (zh) 智能诊疗数据处理方法、装置、电子设备及存储介质
CN116541493A (zh) 基于意图识别的交互应答方法、装置、设备、存储介质
CN114722826A (zh) 模型的训练方法和装置、电子设备、存储介质
CN114648032A (zh) 语义理解模型的训练方法、装置和计算机设备
CN114358020A (zh) 疾病部位识别方法、装置、电子设备及存储介质
CN116956934A (zh) 任务处理方法、装置、设备及存储介质
CN116671918A (zh) 基于脑电信号的情绪识别方法和装置、电子设备及介质
CN116469546A (zh) 基于注意力机制的疾病辅助识别方法和装置、设备及介质
CN115270746A (zh) 问题样本生成方法和装置、电子设备及存储介质
CN115795007A (zh) 智能问答方法、智能问答装置、电子设备及存储介质
CN114998041A (zh) 理赔预测模型的训练方法和装置、电子设备及存储介质
CN114360715A (zh) 体质辨识方法、装置、电子设备及存储介质
CN112052680B (zh) 问题生成方法、装置、设备及存储介质
CN114936274A (zh) 模型训练方法、对话生成方法和装置、设备及存储介质
CN114090778A (zh) 基于知识锚点的检索方法、装置、电子设备及存储介质
CN114155957A (zh) 文本确定方法、装置、存储介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination